搜广推校招面经三十

虾皮推荐

一、收益是由什么带来的，出价提升是否会导致ROI降低（第一段实习是广告算法，竞价出价）

1.1. 收益的来源

（1）转化量

• 转化量是直接带来收益的核心指标，例如购买次数、注册用户数、下载量等。
• 转化量通常与流量（曝光）、点击率（CTR）、转化率（CVR）等因素相关。

（2）转化价值

• 每次转化的价值（如单笔订单金额、用户生命周期价值 LTV）也直接影响收益。
• 如果转化价值较高，即使转化量较低，也可能带来较高的收益。

（3）成本控制

• 成本（如广告花费、运营成本）越低，在相同收益的情况下，ROI 会更高。成本控制是优化 ROI 的关键。

（4）市场环境

• 市场需求、竞争态势、季节性因素等外部环境也会对收益产生重要影响。

1.2. 出价提升对ROI的影响

$$\text{ROI}=\frac{\text{收益（Revenue）}-\text{成本（Cost）}}{\text{成本（Cost）}}\times 100\%$$
出价提升对ROI的影响，取决于以下几个因素：

（1）流量获取能力

• 出价提升通常会增加广告的竞争力，从而获得更多流量（曝光和点击）。如果新增流量能够带来足够的转化，可能会提高收益。
• 但如果新增流量的质量较差（例如点击率低、转化率低），则可能导致成本上升而收益增长有限，从而拉低 ROI。

（2）边际效益递减

• 在某些情况下，随着出价的提升，新增流量的转化率可能逐渐下降（边际效益递减）。
• 这是因为高意向用户的流量往往已经被较低出价获取，剩下的流量质量可能较低。

（3）目标人群匹配

• 如果出价提升后，广告触达了更多与目标人群不匹配的用户，可能会导致转化率下降，进而降低 ROI。

（4）竞争对手行为

• 如果竞争对手也提升了出价，市场竞争加剧，可能导致每次点击成本（CPC）或每次转化成本（CPA）上升，而转化量增长有限，最终拉低 ROI。

2.3. 总结

• 收益来源：转化量、转化价值、成本控制和市场环境共同决定了收益。
• 出价提升的影响：出价提升可能会增加流量，但也可能导致成本上升或转化质量下降，最终影响 ROI。

因此，出价提升是否会导致 ROI 降低并没有固定的答案，需要根据具体业务场景进行分析和调整。

二、 loss是list-wise还是point-wise（单点预估的话，是不是模板里面广告位多的list，loss就更大）

2.1. Pointwise Loss vs. Listwise Loss

（1）Pointwise Loss

• Pointwise 方法将排序问题视为回归或分类问题。每个样本独立预测一个分数，损失函数通常基于单个样本的预测值与真实标签之间的误差（如 MSE 或 Cross-Entropy）。
• 优点：简单易实现，适合初步实验。
• 缺点：忽略了样本之间的相对关系，无法直接优化排序质量指标（如 NDCG、MAP）。

（2）Listwise Loss

• Listwise 方法直接针对整个列表进行建模，优化目标是生成合理的全局排序。损失函数通常基于整个列表的排序质量指标（如 NDCG、MRR 或自定义的分布匹配损失）。
• 优点：最接近实际排序任务的需求，能够直接优化排序质量。
• 缺点：实现复杂度较高，计算成本较大。

2.2. 广告位多时，Loss 是否更大？

（1）Pointwise Loss

• 在单点预估中，广告位增多可能导致以下问题：
  • 每个广告位的点击率预测误差累积，导致整体损失变大。
  • 广告位之间的竞争效应和位置偏差未被显式建模，进一步加剧了误差。
• 因此，在广告位较多的情况下，Pointwise Loss 很可能更大。

（2）Listwise Loss

• 在 Listwise 方法中，广告位增多的影响会有所不同：
  • 如果模型能够很好地捕捉广告位之间的相对关系和位置效应，则整体损失不会显著增加。
  • 然而，如果广告位数量过多且数据稀疏（例如，某些广告位的点击数据不足），模型可能难以准确建模复杂的交互关系，导致损失增大。

2.3. 总结

特性	Pointwise Loss	Listwise Loss
建模对象	单个广告位的点击率/转化率	整个广告列表的排序质量
广告位多的影响	损失可能更大（忽略交互关系和位置效应）	损失可能更稳定（考虑全局排序质量）
适用场景	初步实验或简单任务	需要优化全局排序质量的任务

• 单点预估（Pointwise）：广告位多时，由于忽略了广告位之间的交互关系和位置效应，损失可能更大。
• 全局排序（Listwise）：广告位多时，通过建模广告位之间的相对关系，损失可能更稳定，但需要更多计算资源。

因此，在广告位较多的情况下，使用 Listwise Loss 通常更为合适，因为它能够更好地捕捉广告位之间的交互关系和位置效应，从而提高排序质量并降低整体损失。

三、广告推荐链路的常见模型和评价指标

1. 广告推荐链路的常见模型

（1）CTR 预估模型

• 目标：预测用户点击广告的概率（Click-Through Rate, CTR）。
• 常用模型：
  • LR（Logistic Regression）：线性模型，适合简单场景。
  • FM（Factorization Machine）：捕捉特征之间的二阶交互关系。
  • DeepFM / Wide & Deep：结合深度学习和传统模型，提升非线性建模能力。
  • DIN（Deep Interest Network）：引入用户兴趣建模，适用于个性化推荐。
  • DIEN（Deep Interest Evolution Network）：进一步建模用户兴趣的动态演化。

（2）CVR 预估模型

• 目标：预测用户点击后发生转化的概率（Conversion Rate, CVR）。
• 常用模型：
  • LR / FM：基础模型，用于简单的转化率预测。
  • Deep & Cross Network (DCN)：通过交叉网络层增强特征交互。
  • ESMM（Entire Space Multi-Task Model）：多任务学习框架，同时优化 CTR 和 CVR。

（3）排序模型

• 目标：根据用户偏好对广告进行全局排序。
• 常用模型：
  • Pointwise 排序模型：基于单点预估（如 LR、FM）。
  • Pairwise 排序模型：关注样本对的相对顺序（如 RankNet）。
  • Listwise 排序模型：直接优化整个列表的排序质量（如 LambdaMART、ListNet）。

（4）召回模型

• 目标：从海量广告中筛选出与用户相关的候选广告。
• 常用模型：
  • 协同过滤：基于用户或物品的相似性进行召回。
  • Embedding 基模型：如 Word2Vec、Item2Vec。
  • 双塔模型（Two-Tower Model）：分别对用户和广告进行向量化表示，计算相似度。
  • 图神经网络（GNN）：利用用户-广告交互图结构进行召回。

（5）冷启动模型

• 目标：解决新用户或新广告的冷启动问题。
• 常用方法：
  • 内容特征建模：利用广告或用户的文本、图片等信息。
  • 迁移学习：将已有知识迁移到冷启动场景。
  • 多任务学习：结合其他任务的知识辅助冷启动。

3.2. 广告推荐链路的评价指标

（1）CTR 预估相关指标

• AUC（Area Under Curve）：衡量模型区分正负样本的能力。
• LogLoss（对数损失）：衡量预测概率与真实标签之间的差距。
• Precision@K / Recall@K：在前 K 个推荐结果中，正确预测的比例。
• F1-Score：综合考虑 Precision 和 Recall 的平衡指标。

（2）CVR 预估相关指标

• AUC：评估模型对转化事件的区分能力。
• LogLoss：衡量转化概率预测的准确性。
• GMROI（Gross Margin Return on Investment）：评估每单位广告成本带来的收益。

（3）排序效果相关指标

• NDCG（Normalized Discounted Cumulative Gain）：衡量排序结果的相关性。
• MAP（Mean Average Precision）：评估平均精确率。
• MRR（Mean Reciprocal Rank）：衡量首个相关广告的排名位置。
• P@K（Precision at K）：前 K 个推荐结果中相关广告的比例。

（4）业务指标

• CTR（Click-Through Rate）：点击率 = 点击量 / 曝光量。
• CVR（Conversion Rate）：转化率 = 转化量 / 点击量。
• ROI（Return on Investment）：投资回报率 = 收益 / 成本。
• eCPM（Effective Cost Per Mille）：千次展示收入 = 收益 / 曝光量 * 1000。

3.3. 总结

阶段	常见模型	评价指标
CTR 预估	LR、FM、DeepFM、DIN、DIEN	AUC、LogLoss、Precision@K、Recall@K、F1-Score
CVR 预估	LR、FM、DCN、ESMM	AUC、LogLoss、GMROI
排序	Pointwise、Pairwise、Listwise 模型	NDCG、MAP、MRR、P@K
召回	协同过滤、Embedding、双塔模型、GNN	Recall@K、覆盖率
冷启动	内容特征建模、迁移学习、多任务学习	AUC、LogLoss、覆盖率

在实际应用中，模型选择和指标设计需要结合具体的业务场景和目标，确保既能提升系统性能，又能满足用户体验和商业价值的要求。

四、验证二叉搜索树（hot100_二叉树_中等）

思路：这道题前中后序遍历都可以实现

class Solution:
    def isValidBST(self, root: Optional[TreeNode], left=-inf, right=inf) -> bool:
        if root is None:
            return True
        x = root.val
        return left < x < right and \
               self.isValidBST(root.left, left, x) and \
               self.isValidBST(root.right, x, right)